Qwen4 实测：编程能力有进步但速度慢、性价比低

具体测试中，赛博朋克版清明上河图花了 1 小时 38 分钟，HY4 只需 20 分钟；超级玛丽复刻还原度约 70-80%，但耗时近 2 小时，HY4 当时约 47 分钟。游戏手柄测试暴露了硬伤：模型把键盘鼠标误识别成手柄，接入真实手柄后点亮 4 个幽灵设备且无一能同步，而 Sonnet5.5 几分钟就能做对全部控制逻辑。跑完全部例子消耗 1146 Credit，按原价折算相当于三个月配额。

结论是 Qwen4 相比 3.8 有明显进步，但作为 4 系旗舰没有拉开与国内同行的差距，与 Fable 5.2、GPT-6 Astra、Gemini 4 已不在一个水平线。大模型竞技平台 arena 的 Top10 中已看不到国产模型，Anthropic、OpenAI、谷歌分别占 4、3、2 个名额。日常使用场景下，作者认为 WorkBuddy + HY4 的速度和成本组合更划算。

Qwen4 被嘲笑了！国模被啥锁死了？

Qwen4 也是铺垫了很久，传得相当神！ 但是，拖了很久才发。发布之后，居然没免费品尝环节，这一点就输给 HY4 了！ 阿里啊阿里，你还没企鹅大气啊。 就在我犹豫要不要充值的那一刻，我就刷到了几条消息！ 第一条是这样的： 博主开玩笑地说：Qwen4 最吓人的不是它表现有多差，而是这居然已经是旗舰版了。这个推文的阅读已经 8 万了。 第二条是一个视频： 配文是：Qwen4 Max 成功解决了困扰世界的物理难题！ 因为它这个轮子的走向非常神奇。 第三条，就是它们在 X 的“付费推广”信息！ 推广好先进，已经推到国外去了。一边是企业付费推广，一边是 X 友的“嘲讽”。 这个节奏不对，平时都是他们负责吹牛逼，我负责来戳泡泡！ 我本来都不打算冲了，他们这么一说，我立马就跑去充值了。 看我能不能来反向吹一波。 最低档专业版 10 美金不到，然后拿了个折扣。 花了半天时间，测试题目基本做完了。这次还让它做了两个大项目：绝地求生和荒野大镖客。 然后，我就准备开始写文章了。 我们的测试类文章，一般会先介绍一下这个模型的卖家秀，也就是官网给的基准信息和前期排名情况。 但是我找了半天发现还没任何相关的数据，只有一条即将发布的推文。 这是一个什么样的节奏啊？我特地等了一天，测试都跑完了，相关数据还没出来。 我还等着 Qwen 说它“国模第一，国际第二”呢！ 它是直接不给我靶子，我都不好发射。 好吧，直接看结果吧！ 首先来赛博朋克版清明上河图。 结果如下： 这个配色和形态其实还可以的啊。左下角搞了一个进度条，右侧还有一个控制面板，想得也挺周到的。 比较大的问题就是空间堆叠感还是比较重，元素多的部分很混乱。 虹桥这一块，全都堆叠在一起了，桥的起点和终点都是悬空的。很多细节还是禁不起推敲。 最要命的是这个例子花了 1 小时 38 分钟，作为参考，HY4 只花了 20 分钟。 时间差这么多，效果并没有特别出众。 其实 DS3.1、Step5、HY4、Qwen4 它们这一批新模型在这个例子上都是有进步的。可以感受到它们的变化，已经从没法看，到能看了。但是这个题目上 Opus 和 Fable 很早就做得特别优秀了。 第二个例子：天文机械表。 这个例子其实做得也不错，UI 上没有明显 bug，功能基本也正确。审美部分见仁见智吧。 下面放一个对比图： 第一个是 Qwen3.8 Max 的，第三个是 HY4 的！ 从对比来看，进步还是很大的，3.8 的时候问题很大，指针都没有。 设计感上 HY4 好一点，看着更高级！ 然后是游戏复刻，超级玛丽的效果如下： 这个画面感还可以，我玩了一下，地图和玩法基本是对的，只是有一些小问题，比如跳跃有点困难。这个效果感觉比 HY4 好一些，当然它也没有做到高度还原，还原度大概 70~80% 吧！ 这个例子最大的问题是，消耗时间太久了，花了差不多两个小时，HY4 当时大概是 47 分钟！ 明明是抄作业，为啥要抄这么久呢？ 上面的例子我都说还可以，还不错，那主要是针对最近的国产模型而言的。因为我也不想一上来就说国产模型不行，所以我就尽量表述得让大家看着舒服。 接下来是甲维斯的车库，整体效果如下： 网页复刻部分基本上没问题，当前的多模态模型，基本都能很好地完成这个问题了。建模部分的话自行车和人物这部分基本是能看的。 另外其他的载具的建模就有些抽象，空间关系也有问题： 机车和保时捷，都是积木块的感觉，人陷入到车子里面了。 Mark III 现在基本上做不好，属于大家都很差，差得差不多。 这个例子跑了 1 小时 34 分钟！ 我一直强调时间，就说明它这个时间相对是比较慢的！ 下面来看一下，游戏手柄测试。 这个做得不好，和之前的一批 Flash 模型一个水准。 画得也不好看，控制逻辑也有问题。 首先它错误地把键盘鼠标识别成了手柄。其次我接入一个手柄它直接点亮了四个手柄。然后其中没有一个手柄能做出同步动作的。 我虽然提醒它要注意幽灵手柄，但是它其实并没有真的理解。 这个例子又干了 1 个多小时。作为参考，Sonnet5.5 只用几分钟，做得比它漂亮，控制逻辑全对。 Qwen4 作为一个旗舰 Max 模型，完全没有体现出旗舰模型该有的实力。 这个例子上 K3.1 Pro 肯定做得比它好。 另外我还搞了两个大制作，分别是荒野大镖客和绝地求生。结果嘛，意料之中的抽象。 绝地求生直接卡死了，不方便截图。 荒野大镖客能打开，效果如下： 有人，有马，有篝火，还有金字塔形的帐篷，好像挺全面的。但这显然不是我要的 3A 大作。属于 3 岁小孩的大作。 骑马也是别有一番风味： 作为顶级国模，本来应该是去对标 Claude 的 Fable 5.2 的。但是... 我都不好意思放对比效果，这样太残忍了 。 这个例子，其实 HY4 也跑了，Opus 5.5 也跑了，Fable 5.2 也跑了。目前正在整理中，有机会后面给大家看对比视频吧。 反正国模和美模的差距已经不是一丁半点了。 实力大概就是这个样子！ 下面看看消耗部分吧： 它这个 token 是乱写的，虽然有这个字段，但是字段里没有写这个数据。 Credit 应该是真实的数据！ 从这个表格中可以看到， Qwen4 的时间消耗非常久，动不动就是 1 个小时起步 ，长的可以到 2 个小时。但是从它的结果来看， 我觉得等这么久是不值得的 。 另外看一下它的费用情况。我是入门档，价格为 59 元。 开通后一个月的 Credit 大概是 2000！ 因为现在有非常大的折扣，所以只扣了 1146，相当于半个多月的配额用完了。 我只是跑了几个例子而已哦~~如果按原价的话， 我需要三个月的配额才能跑完这些例子 。 好像，没啥性价比。 所以可以总结一下了。 能力方面，在国内的话不算差，比 3.8 是有明显进步的。但是显然没有早期吹的那么神，作为一个 4 开头的版本，效果没有任何惊艳的地方。 最近更新的这一批模型都是这个状态，相比自己肯定有进步，但是能力上限不够高，自主性太差了。相比国内同行好像也差不多，没有明显地拉开差距。 相比国外的 Fable 5.2、GPT-6 Astra、Gemini 4 感觉已经不在一个水平线了。 Top10 里面完全看不到国产模型了！ 这个图片来自大模型竞技平台 arena，这个平台其实是华人创建的，平时国产模型上线都是会比正常状态抬高一些的，现在也抬不动了。 A 一家拿下 4 个名额，O 拿下三个，G 拿下两个。 基本上被 Anthropic、OpenAI、谷歌给包圆了。Anthropic 领先幅度太大了。次旗舰 Sonnet 就非常能打！ 不说了不说了，说多了都是……！ 能力说完了，再来结合一下开发效率和开发成本。 这个综合性价比就非常差了！ 如果大家只是日常使用，没啥复杂的事情，那么肯定是选择既便宜，又快的模型了。 这一点我觉得不如 WorkBuddy + HY4！ HY4 明显速度更快，成本更低。 所以说回开头，被人嘲笑，也不无道理。主要确实没啥可以秀的。 感觉国模被什么东西锁死了，更新节奏很慢，提升幅度很小。 我好着急啊，我本来希望有个模型赶紧能达到 Opus 5.5 的水平。 等啊等啊等，等来了 DeepSeek 4.1 Flash，等来了 Kimi 3.1 Pro，等来了混元 4，等来了千问 4。 但是说实话，他们干 Opus 5 都很难！ 前路漫漫，继续努力吧。

This report is categorized under AITOP's "Models" desk, focusing on China's AI industry and domestic foundation model ecosystem. Within our cross-regional analytical framework, it directly maps to US-China foundation model benchmarks and commercialization comparison and AI developer toolchains, coding agents, and engineering workflows. Key entities and technical topics under continuous tracking include Qwen4, HY4, 编程助手, 模型评测.

Source attribution: curated from 掘金本周最热 (@甲维斯).